Verifying small vessel disease and mild cognitive impairment with a computational мagnetic resonance imaging analysis
Notice bibliographique
Résumé
Aim. To illustrate capabilities of the computational brain мagnetic resonance imaging (MRI) analyses on a small vessel disease (SVD) sample. Materials and methods. Thirty-one patients underwent brain MRI in standard sequences. We used Lesion Segmentation Tool to assess white matter hyperintensities (WMH) volume and Computational Anatomy Toolbox to calculate cortical thickness. Both software plug-ins work within the Statistical Parametric Mapping 12 software for MATLAB. We also performed cognitive testing with the Montreal Cognitive Assessment test and tests to detect hippocampal and executive domain dysfunction. Results. Sixteen patients had mild vascular cognitive impairment. The Median Fazekas scale score was 2 and 2 points. The median intracranial volume fraction occupied by the WMH was 0.07%. It correlated with the executive domain performance but not with cortical thickness. Cortical thickness within several clusters of the prefrontal complex and temporal lobe correlated with performance in cognitive tests. Among the computed MRI markers of the SVD, the occipital lobe cortical thickness had an area under the curve of 70%, and among the cognitive tests, the cued recall measure had an area under the curve of 73.8% to detect mild cognitive impairment. Conclusion. The abovementioned metrics is a valuable tool to objectively estimate white and grey matter state in patients with small vessel disease. Performing those analyses helped to assess SVD properties in the sample further and register new correlations between MRI and cognitive markers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».